Kvantitativ Investering 2026: Algoritmer, modeller og data for danskere

Jim Simons og Medallion-fonden

Jim Simons er den mest legendariske kvantinvestor. Simons var matematiker og kodeknakker for den amerikanske efterretningstjeneste, inden han grundlagde Renaissance Technologies i 1982. Firmaets Medallion-fond er lukket for eksterne investorer og kun tilgængelig for medarbejdere.

Medallion-fondens resultater er uden sidestykke. Fra 1988 til 2018 leverede fonden et gennemsnitligt bruttoafkast pa 66 procent om året. Selv efter Renaissance's egne høje gebyrer pa 5 procent i management fee og 44 procent i performance fee er nettoafkastet pa omtrent 39 procent om året. Warren Buffetts Berkshire Hathaway gav i samme periode ca. 20 procent om året. Simons' fond er faktor to bedre.

Renaissance ansætter ikke økonomer eller finansanalytikere. Firmaet rekrutterer matematikere, fysikere, statistikere og lingvister. Strategierne er fuldstændig hemmelige. Det eneste vi ved er, at de handler ekstremt mange finansielle instrumenter på tværs af markeder og tidsrammer, og at de finder statistiske mønstre, som er ustabile nok til at eksistere, men stabile nok til at udnytte.

DE Shaw og Two Sigma

David Shaw grundlagde DE Shaw i 1988. Firmaet var et af de første til at anvende avanceret computerteknologi og statistiske modeller systematisk i finansmarkederne. Jeff Bezos arbejdede i øvrigt for DE Shaw, inden han grundlagde Amazon. DE Shaw forvalter i dag over 60 milliarder dollar.

Two Sigma Investments blev grundlagt i 2001 af John Overdeck og David Siegel, begge tidligere DE Shaw-medarbejdere. Two Sigma anvender maskinlæring og Big Data-analyse og forvalter over 60 milliarder dollar. Firmaet er et af de første til at bruge alternativ data som satellitbilleder, kreditkortdata og sociale medier til at generere handelssignaler.

Statistisk arbitrage

Statistisk arbitrage udnytter historiske prisniveauer og korrelationer mellem aktiver. Den klassiske version er pairs trading: hvis to aktier historisk har bevæget sig i takt og pludselig divergerer, køber man den billigste og sælger den dyreste short, i forventning om at de konvergerer igen.

Et eksempel: Coca-Cola og PepsiCo bevæges af mange af de samme makrofaktorer. Hvis Coca-Cola pludselig handles 5 procent dyrere relativt til Pepsi end historisk normalt, kan en statistisk arbitrage-model shorte Coca-Cola og gå lang i Pepsi. Risikoen er, at de to aktier permanent ændrer deres indbyrdes forhold, for eksempel pga. en fusion eller fundamentalt skift i markedsandele.

Trend-following (CTA)

Trend-following, ogsa kaldet managed futures eller CTA (Commodity Trading Advisor), er en af de ældste og mest robuste kvantstrategier. Princippet er simpelt: køb aktiver i stigning, sælg aktiver i fald. Strategien er agnostisk over for fundamentale værdier. Den handler kun på prissignaler.

Trend-following-fonde handler typisk på tværs af mange aktivklasser: aktier, obligationer, valuta, råvarer og renter. Det giver diversifikation. Strategien har historisk klaret sig godt i de store kriser som 2000-2002 og 2008-2009, fordi den går short i faldende markeder. Det giver en naturlig hedging-effekt i en aktieportefolje.

Den største ulempe er afkast i sidelaeens markeder. Når aktier sidebevæges uden klar trend, genererer trend-following mange falske signaler og taber småt. Over lange perioder er Sharpe-ratioen for trend-following typisk 0,4-0,7, altså lavere end aktiemarkedet, men med lav korrelation til aktier, hvilket giver diversifikationsværdi.

Mean reversion

Mean reversion er det modsatte af trend-following. Strategien antar, at priser, der er steget kraftigt, vil vende tilbage til et gennemsnit, og vice versa. På kort sigt (timer til dage) er mean reversion veldokumenteret, særligt i likvide markeder som S&P 500-futures.

For den private investor er mean reversion sværere at udnytte end trend-following. Det kræver hyppigere handel og tidshorisonter på timer til dage, hvilket medfører høje transaktionsomkostninger. På længere sigt (måneder til år) er mean reversion usikker og modsiges delvist af momentum-faktoren.

ML-baserede strategier

Maskinlæring (ML) bruges i stigende grad af de store hedge funds. ML-modeller som gradient boosting, neurale netværk og random forests kan finde komplekse, ikke-lineaere mønstre i store datasået, som traditionelle statistiske metoder overser. Two Sigma og DE Shaw er frontløbere her.

Men ML har ogsa alvorlige svagheder. ML-modeller overfitter let til historisk data. De er svare at fortolke. De kan hænge fænomener, der kun eksisterede i en bestemt markedssituation. Og de kan blive obsolete, nar markedsstrukturen ændrer sig. Selv professionelle kaeemper med disse begransninger.

Survivorship bias

Survivorship bias opstår, nar du kun backtester på aktier, der eksisterer i dag. Databaser som S&P 500's nuværende sammensætning ekskluderer automatisk selskaber, der gik konkurs eller blev afnoteret. Disse tabere er fjernet fra datasættet, så din strategi ser bedre ud, end den ville have gjort i realtid.

Eksempel: Du backtester en value-strategi fra 2000 til 2024 på S&P 500. Men i 2001 indgik Enron og WorldCom i indekset. Begge gik konkurs. Hvis din database ikke indeholder disse aktier, overvurderer dit backtest afkastet. Løsningen er at bruge point-in-time data, der inkluderer alle historiske bestanddele inklusiv konkursramte.

Overfitting

Overfitting er den største fare i kvantitativ investering. Overfitting sker, når en model er så specifikt tilpasset historisk data, at den i virkeligheden bare memorerer støj - tilfældige mønstre, der ikke gentager sig. En overfittet model ser fremragende ud på backtest, men fejler på fremtidige data.

Concret eksempel: Du tester 1.000 variationer af en momentum-strategi. En af dem giver 18 procent årligt afkast på historisk data. Men ved at teste så mange variationer har du med stor sandsynlighed fundet en model, der tilfældigvis passer til det specifikke historiske data - ikke en model med reel forudsigelseskraft. Jo færre parametre en model har, og jo længere testperiode, des lavere er risikoen for overfitting.

Tommelfingerregel fra praktikere: Hvis din model har mere end 5-10 parametre pr. år data i testsættet, er den sandsynligvis overfittet. Et godt backtest bygger på fa, velbegrundede parametre med et klart teoretisk fundament.

Look-ahead bias

Look-ahead bias opstår, nar din model bruger information, som ikke ville have været tilgængelig på handelstidspunktet. Et typisk eksempel: Du bruger et selskabs årsregnskab til at generere et handelssignal den 1. januar, men regnskabet blev først offentliggjort den 15. marts. I realtid ville du ikke have haft den information.

Look-ahead bias er overraskende svær at undgå i praksis. Selv erfarne kvanttrades laever fejl her. Løsningen er stringent point-in-time databehandling, hvor alle datapunkter er timestampet med det tidspunkt, de blev offentliggjort - ikke det tidspunkt, de refererer til.

Konkret backtest-eksempel med tal

Forestil dig en simpel momentum-strategi: Køb de 20 procent bedste aktier fra S&P 500 målt på 12-måneders afkast. Rebalanser kvartalsvis. Et naivt backtest fra 1990 til 2024 på survivorship-biased data kan give 18-20 procent årligt afkast. Det ser imponerende ud.

Men når man bruger point-in-time data med alle historiske indeksmedlemmer inkl. konkurser, fratrækker transaktionsomkostninger på 0,1 procent pr. handel og inkluderer markedspåvirkning fra store ordrer, falder det reelle afkast til 12-14 procent - stadig godt, men markant lære end backtest-nummeret antydede. Og hvis man yderligere træffer perioden 2000-2009, som var svær for momentum, ser tallene endnu mindre imponerende ud.

Moralen er klar: Backtest er et uundværligt værktøj, men korriger altid for bias og vær skeptisk over for resultater, der virker for gode. Det reelle merafkast er typisk en tredjedel til halvdelen af det naive backtest antyder.

Hvad bruger hedge funds ML til?

De største kvantfonde bruger ML på mindst tre måder. For det første til Natural Language Processing (NLP): ML-modeller analyserer millioner af regnskaber, nyhedsartikler og virksomhedsmeddelelser for at identificere sentiment og vasentlig information, før analytikere når at læse dem. For det andet til alternativ data: ML-modeller finder mønstre i satellitbilleder af parkeringspladser, kreditkortdata og mobillokaliseringsdata, som giver tidlige signaler om virksomheders sælg. For det tredje til risikostyring: ML-modeller estimerer korrektioner og afhængigheder i portefoljer, som lineaere modeller underestimerer.

AQR Capital Management publicerer regelmæssigt forskning om, hvornår ML tilføjer værdi i faktorbaseret investering og hvornår det ikke goenar. Konklusionen er nuanceret: ML er bedst til at forbedre signalkvalitet og risikostyring, men giver sjældent dramatiske forbedringer i bruttoafkast sammenlignet med veldesignede klassiske modeller.

Begransninger og risici ved ML

ML-modellers største fjende er overfitting. Et neuralt netværk med mange lag og millioner af parametre kan tilpasse sig perfekt til historisk data - og fejle totalt på fremtidige data. Finansielle tidsserier er specielt farlige, fordi de har meget lidt signal i forhold til støj.

Et andet problem er non-stationaritet. Finansmarkeder ændrer struktur over tid. En ML-model trænet på data fra 1990-2010 fanges muligvis slet ikke det, der driver afkast i 2020erne. Modellen kan fejlfortolke nye mønstre som støj og filtrere dem væk, selvom de er reelle.

For den private investor er ML-baseret investering praktisk talt utilgængeligt. Det kræver store datasået, computerkraft, avanceret softwareekspertise og dyb viden om finansokonomi. Simple regelbaserede strategier som dual momentum er ikke glamouroeoes, men de er transparente, forstaede og har en dokumenteret empirisk track record.

Praktiske værktøjer

• Portfolio Visualizer (portfoliovisualizer.com): Gratis webvaerktoj til backtesting af aktivallokering og faktorstrategier. Du kan teste dual momentum, faktorstrategier og mange andre tilgange med klik-og-point-interface.
• Python med pandas og yfinance: Gratis open source. Med 50-100 linjer kode kan du hente historisk kursdata og backteste en simpel strategi som 200-dages glidende gennemsnit. Kræver grundlæggende programmeringskundskaber.
• OSAM Research (osam.com): O'Shaughnessy Asset Management udgiver gratis research og værktøjer til kvantitativ faktoranalyse. Canvas-værktøjet lader dig screene aktier efter faktorscores.
• Alpha Architect (alphaarchitect.com): Udforsker kvantitativ faktorinvestering med fri adgang til mange research-artikler. Tilbyder egne faktor-ETFer og en gratis aktie-screening-platform.
• Kenneth French Data Library (mba.tuck.dartmouth.edu/pages/faculty/ken.french): Gratis download af Fama-French faktordatasået fra 1926 til i dag. Den akademiske primaeerkilde til faktordata.

Simple regler du kan bruge

200-dages glidende gennemsnit er en af de ældste og mest undersøgte tekniske indikatorer. Reglen er enkel: Når S&P 500 (eller dit primære aktieindeks) handles over sit 200-dages glidende gennemsnit, er du fuldt investeret i aktier. Når det handler under, flyttes portefoljen til obligationer eller pengemarked.

Mebane Fabers forskning fra 2006 (A Quantitative Approach to Tactical Asset Allocation) viste, at 10-måneders glidende gennemsnit anvendt på 5 aktivklasser (aktier, obligationer, råvarer, ejendom og internationale aktier) fra 1900 til 2012 leverede et tilsvarende absolutafkast som buy-and-hold, men med dramatisk lavere max drawdown på 20 procent mod 60 procent for en ren aktieportefolje.

Vigtigt forbehold: Disse strategier kræver, at du handler en gang om måneden og holder dig til reglerne, også når det er svart. En investor, der panik-sælger i stedet for at følge signalet, eller ignorerer et sælg-signal fordi aktiemarkedet netop er steget, eliminerer fordelene ved den systematiske tilgang.

Realisationsbeskatning og hyppig handel

Aktier og ETFer i et frit depot beskattes som aktieindkomst med realisationsbeskatning: du betaler kun skat, nar du sælger med gevinst. Det lyder godt. Men en momentum-strategi, der rebalancerer kvartalsvis, genererer løbende realiserede gevinster. Hver handel kan udløse skat. Det reducerer compounding-effekten markant over tid.

Eksempel: Du implementerer dual momentum på 500.000 kr. med en gennemsnitlig skattepligtig gevinst på 5 procent pr. år fra handler. Skatten (42 procent af aktieindkomst over bundgransen) koster dig 10.500 kr. om året i foertid skat, der ellers ville have compoundat. Over 20 år er det en væsentlig forskel i endelig formue.

Daghandlerregler

SKAT.dk angiver, at handel med aktier som udgangspunkt beskattes som kapitalindkomst, hvis handlen anses som erhvervsmæssig virksomhed. Det gaeldar, hvis handlen er systematisk, hyppig og intensiv, og har et kommercielt formål med henblik på gevinst. I praksis er grænsen ikke klart defineret i lovgivningen.

For en privatperson, der handler en gang om måneden baseret på et regelbaseret signal, er risikoen for at blive betraagtet som erhvervsdrivende meget lav. Men for en person, der handler dagligt eller ugeentligt i store volumer, er risikoen reel. Erhvervsmæssig handel beskattes som personlig indkomst med op til 55,9 procent i marginalskat, plus ingen fradragsmuligheder for tab i den sædvanlige aktieindkomst-forstand.

Løsningen for de fleste private kvantinvestorer er at bruge skattemassigt gunstige kontotyper: Aktiesparekontoen (ASK) beskattes med lagerprincippet og 17 procent i skat, men eliminerer realisationsbeskatningsproblemerne for de første 135.900 kr. (2025-gransen). Pensionsopsparing (PAL-skat på 15,3 procent) er endnu gunstigere for langsigtede strategier.

Råd: Implementer din kvantstrategi primært via ETFer på aktiesparekontoen eller pensionskontoen. Undgå at handle enkeltaktier hyppigt i et frit depot. Det reducerer skattebelastningen og marer det nemmere at være konsekvent.

Lagerbeskatning af ETFer

ETFer, der ikke er på SKATs positivliste, beskattes efter lagerprincippet som kapitalindkomst. Det betyder, at du betaler skat af urealiserede gevinster hvert år. For en kvantstrategi implementeret via saaadne ETFer er det faktisk fordelagtigt sammenlignet med individuelle aktier: Du undgår skattebetaling ved hyppige handler, fordi skatten opgores på aarsbaasis uanset handel.

ETFer på positivlisten beskattes som aktieindkomst med realisationsprincippet udenfor pensionskonti. Det er gunstigere på længere sigt for buy-and-hold, men kan være en ulempe for strategier med hyppig rebalancering. Tjek altid på Skats.dk, om en specifik ETF er på positivlisten, før du vælger den til din kvantstrategi.

Regel 1: 200-dages glidende gennemsnit

Tjek een gang om måneden: Handler dit globale aktieindeks over sit 200-dages glidende gennemsnit? Ja: forbliv fuldt investeret i aktier. Nej: flyt til kortsigtede obligationer eller pengemarkedsfond. Vaent til slut-måneden før du handler, for at undgå for mange falske signaler.

Regel 2: Dual Momentum (Gary Antonacci)

Måned for måned: Sammenlign 12-måneders afkast for S&P 500, internationale aktier (MSCI World ex USA) og amerikanske statsobligationer. Køb hvad der har det højeste afkast, forudsat at afkastet er positivt. Hvis alle er negative, hold obligationer. Rebalanser ved månedsskifte.

Regel 3: Faktorbaseret aktieudvælgelse

Brug Alpha Architects gratis QVAL- og QMOM-screener til at finde aktier med stoerk value-score og momentum-score. Køb de toep 20 procent kombinerede score. Rebalanser halvårligt. Hold max 20-30 aktier for at undgå for mange transaktioner. Bemærk: Dette kræver mere arbejde og er kun relevant for investorer med store nok portefoljer til at sprede transaktionsomkostninger.